في عالم الذكاء الاصطناعي، يُعتبر التصميم السليم للسياقات (Context Engineering) أداة أساسية لتحسين أداء نماذج اللغات الضخمة (Large Language Models) دون الحاجة إلى تعديل أوزانها. لكن، يعاني هذا المجال من تحدي رئيسي عندما يتعلق الأمر بالتفكير الرياضي، حيث يتسبب تراكم التغذية الراجعة في زيادة حجم السياقات، مما يحد من فعالية الإرشادات المستفادة.

تعرفوا على تقنية KACE (Knowledge-Adaptive Context Engineering)، التي تمثل خطوة متقدمة نحو فصل تخزين المعرفة عن استخدامها. تعتمد هذه التقنية على تنظيم المعلومات بناءً على مستوى الصعوبة والمجال، مما يسهل الوصول إلى البيانات في وقت التقييم.

يتضمن نظام KACE حلقة تعلم ذاتية تعكس التجارب التدريبية وتقوم بتقطيع المعرفة إلى شجرة معرفية، تتكون من بطاقات مرتبة حسب درجة الصعوبة والمجال المعرفي. وبهذا، يتمكن النظام من تصنيف المشكلات كسهلة، متوسطة، أو صعبة باستخدام بوابات توافق على مستويات مختلفة.

تظهر النتائج أن KACE قد حققت دقة تصل إلى 62.2٪ في اختبار AIME 2025، وهو ما يمثل زيادة ملحوظة بنسبة 10.4 نقطة بالمقارنة مع أحدث الأساليب الثابتة. كما سجلت KACE تحسناً ثابتاً في تحديات أخرى مثل MATH-HARD وOlymMATH القابلة للتحقق.

تمثل KACE تحوّلاً في كيفية تعامل الذكاء الاصطناعي مع التعلم الرياضي، مما يفتح أفقاً جديداً للابتكار في هذا المجال. كيف تتصورون تأثير هذه التقنية على مستقبل التعلم الذكي؟ شاركونا آراءكم!